[发明专利]一种基于车载激光扫描点云的城区道路标线自动分类方法

说明书

技术领域

本发明涉及智能交通系统以及智慧城市建设领域，尤其涉及一种基于车载激光扫描点云的城区道路标线自动分类方法。

背景技术

城区道路标线作为交通监管系统的重要组成元素，在众多的城市基础设施中发挥着不可替代的作用。一方面，它可以调节和控制车辆和行人的行为活动，有效地减少了交通事故的发生，为车辆和行人的安全提供了保障；另一方面，它的类别和位置信息可以作为智能驾驶系统的重要输入，有助于提高智能驾驶的可靠性。因此，交通管制部门和智能交通系统急需一种快速、实时的用于提取和分类城区道路标线的系统，从而保证交通的安全性和智能驾驶的可靠性。

目前，城区道路标线的提取与分类主要基于影像或视频数据。主要方法包括形状分割、纹理分割以及基于几何特征的分割方法。常见的城区道路标线提取方法有：马尔可夫模型法、条件随机场法以及机器学习方法。然而，这些方法主要受到以下几个方面的约束：(1)城区道路标线形状和类型的多样性；(2)数据采集的光照条件与时间；(3)移动车辆所造成的阴影与遮挡；(4)影像或视频数据所产生的道路标线形状扭曲。因此，基于影像或视频的方法还无法满足城区道路标线自动提取与分类的需求。

近几年，车载激光扫描技术发展十分迅速。其快速、精确获取地面三维空间信息的能力，越来越受到人们的高度重视。由于车载激光扫描系统的独特设计形式和交叉式双激光头扫描方式，车载激光扫描系统不仅具备机载激光扫描系统能够采集大范围数据的特性，而且可以达到地面激光扫描系统所具备的数据精度和点密度。因此，车载激光扫描系统逐渐成为城市空间信息采集的一种重要技术手段。

然而，如何从高密度、高精度的海量车载激光扫描点云数据中自动提取地形、地物特征是点云后处理技术研发面临的一个挑战。从海量点云中快速、自动地提取和分类精确、有效的地物特征还仍然处于起步阶段。

发明内容

本发明的目的在于提供一种基于车载激光扫描点云的城区道路标线自动分类方法。

为实现上述目的，本发明采用以下技术方案：

一种基于车载激光扫描点云的城区道路标线自动分类方法，包括以下步骤：

S1、基于行车轨迹数据对原始点云数据进行路面分割，得到路面点云数据；

S2、对所述路面点云数据进行二值化处理，并提取出道路标线点；

S3、对所述道路标线点进行聚类，分离出彼此独立的道路标线目标；

S4、根据所述道路标线目标的尺寸，分类出大尺度道路标线和小尺度道路标线；

S5、对所述大尺度道路标线进行基于行车轨迹和路沿线的分类处理，分类出停止线、中心线和边界线；

S6、对所述小尺度道路标线进行基于深度学习和主成分分析的分类处理，分类出方向指示标记、行人警告标记、斑马线、中心线和边界线。

优选地，所述步骤S1具体包括以下分步骤：

S11、将原始点云数据沿行车轨迹的方向均匀分割成一组点云块；

S12、对于每个点云块，沿垂直于行车轨迹的方向切分出一个点云剖片，并从点云剖片上提取路沿点；

S13、对所有路沿点进行拟合，得到路沿线；

S14、对原始点云数据沿路沿线进行分割，得到路面点云数据。

优选地，所述步骤S2具体包括以下分步骤：

S21、将所述路面点云数据沿行车轨迹向两侧以某一划分间隔划分成一组路面点云分片，采用OTSU二值化方法对每个路面点云分片分别进行二值化处理，并提取出道路标线点。

S22、计算每个道路标线点的空间密度值，若某个道路标线点的空间密度值小于预先设定的噪声临界值时，则将其剔除。

优选地，所述步骤S5具体包括以下分步骤：

S51、对每个大尺度道路标线，若其包含多类道路标线，则执行步骤S52，若其只包含一种类型的道路标线，则将其直接记为道路标线单元；

S52、对包含多类道路标线的大尺度道路标线进行基于体元的归一化分割，得到语义上独立的道路标线单元；

S53、对每个道路标线单元进行采样，并计算采样点的分布特征，判断符合方向校验条件的采样点数量是否大于第一预设阈值，若是，则将该道路标线单元标记为停止线，若否，则执行步骤S54，所述方向校验条件为采样点的分布特征垂直于行车轨迹的方向；

S54、计算道路标线单元上的采样点与路沿线的距离，判断符合位置校验条件的采样点数量是否大于第二预设阈值，若是，则将该道路标线单元标记为边界线，若否，则将该道路标线单元标记为中心线，所述位置校验条件为采样点到路沿线的距离小于1m。